Acute-Phase Proteins and Iron Status in Cats with Chronic Kidney Disease
Notice bibliographique
Résumé
BACKGROUND: The role of inflammation in the development and progression of chronic kidney disease (CKD) in cats is not well characterized. Hepcidin is a recently discovered acute-phase protein (APP) that plays an important role in iron metabolism and contributes to the development of anemia in humans with CKD. OBJECTIVES: To compare serum APP concentrations, iron status, and erythropoietin (EPO) concentrations in healthy cats and cats with naturally occurring CKD. ANIMALS: A total of 18 healthy control cats and 38 cats with CKD. METHODS: Prospective study. After complete physical examination and routine blood analysis, the following tests were performed: serum amyloid A (SAA), haptoglobin (HAP), EPO, serum iron and ferritin concentration as well as total iron-binding capacity (TIBC). Serum hepcidin-25 concentration was measured by ELISA kit designed for use in humans. RESULTS: Mean SAA and hepcidin concentrations were significantly higher and mean total iron and TIBC were significantly lower in the CKD group (P < .05). There was a significant positive correlation between serum creatinine concentration (CRT) and 2 of the APPs (SAA and hepcidin; P < .05). Increases in SAA and hepcidin were associated with decreases in TIBC and hematocrit in the CKD group. Fourteen (37%) of the cats with CKD were anemic, and these cats had significantly lower TIBC (P < .05), suggesting a functional iron deficiency. There was no association between survival time and APP, iron status, or EPO concentrations. CONCLUSIONS: Our data suggest that CKD in cats is associated with systemic inflammation and altered iron metabolism. With further validation in cats, hepcidin assays may help better characterize these relationships.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».